forked from GuillaumeDerval/LINFO1121-summary
-
Notifications
You must be signed in to change notification settings - Fork 1
/
document.tex
902 lines (801 loc) · 36.9 KB
/
document.tex
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
\documentclass[8pt,aspectratio=169]{beamer}
\usetheme{metropolis}
\usepackage[utf8]{inputenc}
\usepackage[T1]{fontenc}
\usepackage[french]{babel}
\usepackage{amsmath}
\usepackage{amsfonts}
\usepackage{amssymb}
\usepackage{graphicx}
\usetheme{default}
\usepackage{listings}
\begin{document}
\author{Guillaume Derval \& contributeurs}
\title{Un rapide résumé de la matière du cours LINFO1121}
%\subtitle{}
%\logo{}
%\institute{}
%\date{}
%\subject{}
%\setbeamercovered{transparent}
%\setbeamertemplate{navigation symbols}{}
\begin{frame}[plain]
\maketitle
\end{frame}
\begin{frame}{Un avertissement}
Ces slides sont un résumé extrêmement incomplet du cours, et ne font aucunement figure d'autorité.
\begin{center}
\color{red} \textbf{Matière du cours = chapitres du livre demandés + exercices TP + exercices INGInious}
\end{center}
Utilisez ces slides pour vous rafraichir rapidement la mémoire, ou comme moyen mnémotechnique.
Personnellement, quand je dois comme vous apprendre un algorithme, je le lis, ainsi que ses propriétés, je le code au moins une fois sans référence, je vérifie, puis je me fais le genre de petit résumé tel que dans ces slides que je retiens. Le petit résumé permet de reconstruire le reste... si je l'ai bien étudié (le reste) au départ!
\color{red} Ces slides ne recouvrent pas l'entièreté de la matière.
\end{frame}
\section{Les implémentations des TADs vus existantes en Java}
\begin{frame}{Les implémentations des TADs vus existantes en Java}
Ces slides passent quelques minutes sur les implémentations des différents TADs vus au cours. Ils mêlent TADs "purs" (sans implémentation) avec des TADs "pré implémentés" par Java.
À vous de savoir faire la différence entre un TAD et une implémentation ;-)
Quand vous voyez une complexité en rouge, et que vous comptez utiliser cette méthode dans une structure de donnée, ça veut probablement dire que vous avez choisi la mauvaise structure de donnée.
Toutes les méthodes qui ne sont pas listées sont généralement non-standard ET couteuses, donc à éviter. La Javadoc est votre amie.
Vous n'êtes pas à l'abri d'une erreur dans ces slides ;-)
\end{frame}
\begin{frame}
\frametitle{Tableaux (non-dynamiques)}
\centering
\begin{tabular}{lll}
Utilité & \multicolumn{2}{l}{Stockage d'un nombre connu d'éléments}\\
Contrainte & \multicolumn{2}{l}{Nombre d'éléments fixés}\\
Instanciation & \multicolumn{2}{l}{\texttt{new Type[taille]} (ex: \texttt{new int[8]})}\\
\end{tabular}\\
\vspace{0.5cm}
\centering
\begin{tabular}{lll}
\multicolumn{3}{c}{\textbf{Méthodes}} \\
\textit{Nom} & \textit{Java} & \textit{Complexité} \\
Accès à l'élément \texttt{i} & \texttt{tableau[i]} & $\Theta(1)$\\
Assignation de \texttt{x} à l'élem \texttt{i} & \texttt{tableau[i] = x} & $\Theta(1)$\\
\end{tabular}
\end{frame}
\begin{frame}
\frametitle{Tableaux (dynamiques)}
\centering
\begin{tabular}{ll}
Utilité & Stockage d'éléments, accès aléatoire\\
Instanciation & \texttt{new ArrayList<Type>()}\\
\end{tabular}\\
\vspace{0.5cm}
\centering
\begin{tabular}{lll}
\multicolumn{3}{c}{\textbf{Méthodes} sur un objet \texttt{o} de taille $n$} \\
\textit{Nom} & \textit{Java} & \textit{Complexité} \\
Accès à l'élément \texttt{i} & \texttt{o.get(i)} & $\Theta(1)$\\
Assignation de \texttt{x} à l'élem \texttt{i} & \texttt{o.set(i, x)} & $\Theta(1)$\\
Ajouter à la fin & \texttt{o.add(x)} & $\Theta(1)$ \color{orange}amorti\\
Supprimer à la fin & \texttt{o.remove(n-1)} & $\Theta(1)$ \color{orange}amorti\\
Ajouter n'importe où & \texttt{o.add(i, x)} & $\color{red}\mathcal{O}(n)$\\
Supprimer n'importe où & \texttt{o.remove(i)} & $\color{red}\mathcal{O}(n)$\\
Contient \texttt{x} ? & \texttt{o.contains(x)} & $\color{red}\mathcal{O}(n)$\\
\end{tabular}
\end{frame}
\begin{frame}
\frametitle{Liste (doublement) chainées}
\centering
\begin{tabular}{ll}
Utilité & Stockage d'éléments, accès séquentiel\\
Instanciation & \texttt{new LinkedList<Type>()}\\
\end{tabular}\\
\vspace{0.5cm}
\centering
\begin{tabular}{lll}
\multicolumn{3}{c}{\textbf{Méthodes} sur un objet \texttt{o} de taille $n$} \\
\textit{Nom} & \textit{Java} & \textit{Complexité} \\
Accès au premier élément & \texttt{o.getFirst()} & $\Theta(1)$\\
Ajouter au début & \texttt{o.addFirst(x)} & $\Theta(1)$\\
Supprimer au début & \texttt{o.removeFirst()} & $\Theta(1)$\\
Accès au dernier élément & \texttt{o.getLast()} & $\Theta(1)$\\
Ajouter à la fin & \texttt{o.addLast(x)} & $\Theta(1)$\\
Supprimer à la fin & \texttt{o.removeLast()} & $\Theta(1)$\\
Accès à l'élément \texttt{i} & \texttt{o.get(i)} & $\color{red}\mathcal{O}(n)$\\
Assignation de \texttt{x} à l'élem \texttt{i} & \texttt{o.set(i, x)} & $\color{red}\mathcal{O}(n)$\\
Ajouter n'importe où & \texttt{o.add(i, x)} & $\color{red}\mathcal{O}(n)$\\
Supprimer n'importe où & \texttt{o.remove(i)} & $\color{red}\mathcal{O}(n)$\\
Contient \texttt{x} ? & \texttt{o.contains(x)} & $\color{red}\mathcal{O}(n)$\\
\end{tabular}
\end{frame}
\begin{frame}
\frametitle{Queue}
\centering
\begin{tabular}{ll}
Utilité & First-in, first-out (FIFO)\\
Instanciation & \texttt{Queue<Type> o = new LinkedList<>()}\\
& \color{red} (\texttt{Queue} est une interface en Java!)\\
\end{tabular}\\
\vspace{0.5cm}
\centering
\begin{tabular}{lll}
\multicolumn{3}{c}{\textbf{Méthodes} sur un objet \texttt{o} de taille $n$} \\
\textit{Nom} & \textit{Java} & \textit{Complexité} \\
Accès au premier élément & \texttt{o.element()} & $\Theta(1)$\\
Ajouter (à la fin) & \texttt{o.add(x)} & $\Theta(1)$\\
Supprimer (au début) & \texttt{o.remove()} & $\Theta(1)$\\
\end{tabular}\\
\vspace{0.5cm}
\color{blue} Quand vous utilisez le TAD Queue, vous ne devriez JAMAIS devoir utiliser d'autres méthodes (si ce n'est \texttt{size} et \texttt{empty}).
\color{blue} Attention, ces fonctions peuvent retourner des exceptions si la Queue est vide.
\end{frame}
\begin{frame}
\frametitle{Stack}
\centering
\begin{tabular}{ll}
Utilité & Last-in, first-out (LIFO)\\
Instanciation & \texttt{Stack<Type> o = new Stack<>()}
\end{tabular}\\
\vspace{0.5cm}
\centering
\begin{tabular}{lll}
\multicolumn{3}{c}{\textbf{Méthodes} sur un objet \texttt{o} de taille $n$} \\
\textit{Nom} & \textit{Java} & \textit{Complexité} \\
Accès à l'élément au dessus de la stack & \texttt{o.peek()} & $\Theta(1)$\\
Ajouter (au dessus) & \texttt{o.push(x)} & $\Theta(1)$\\
Supprimer (au dessus) & \texttt{o.pop()} & $\Theta(1)$\\
\end{tabular}\\
\vspace{0.5cm}
\color{blue} Quand vous utilisez le TAD Stack, vous ne devriez JAMAIS devoir utiliser d'autres méthodes (si ce n'est \texttt{size} et \texttt{empty}).
\color{blue} Vous pouvez (mais ne \textit{devez} pas) jeter également un oeil à l'interface Deque (double-ended queue, qui implémente à la fois les TADs Stack et Queue) et ses implémentations: \texttt{LinkedList} et \texttt{ArrayDeque}.
\color{red} Ne JAMAIS itérer (foreach ou \texttt{iterator}) sur une stack. Les éléments sont retournés à l'envers...
\end{frame}
\begin{frame}
\frametitle{Liste triée (custom)}
\centering
\begin{tabular}{ll}
Utilité & Stockage d'éléments de manière triée\\
Instanciation & A implémenter vous-même à partir de LinkedList\\
& \color{red} En pratique, je ne vois pas quand ça pourrait servir. \\
& \color{red} Uniquement ici pour pouvoir comparer avec ce qui suit.
\end{tabular}\\
\vspace{0.5cm}
\centering
\begin{tabular}{ll}
\multicolumn{2}{c}{\textbf{Méthodes} sur un objet \texttt{o} de taille $n$} \\
\textit{Nom} & \textit{Complexité} \\
Ajouter au bon endroit & $\color{red}\mathcal{O}(n)$\\
Supprimer le plus petit/grand & $\Theta(1)$\\
Contient ? & $\color{red}\mathcal{O}(n)$\\
\end{tabular}\\
\vspace{0.5cm}
\end{frame}
\begin{frame}
\frametitle{Tableau trié (custom)}
\centering
\begin{tabular}{ll}
Utilité & Stockage d'éléments de manière triée\\
Instanciation & A implémenter vous-même à partir de ArrayList ou d'un tableau Java\\
& \color{red} En pratique, je ne vois pas quand ça pourrait servir. \\
& \color{red} Uniquement ici pour pouvoir comparer avec ce qui suit.
\end{tabular}\\
\vspace{0.5cm}
\centering
\begin{tabular}{ll}
\multicolumn{2}{c}{\textbf{Méthodes} sur un objet \texttt{o} de taille $n$} \\
\textit{Nom} & \textit{Complexité} \\
Ajouter au bon endroit & $\color{red}\mathcal{O}(n)$\\
Supprimer le plus petit & $\color{red}\Theta(n)$\\
Supprimer le plus grand & $\Theta(1)$\\
Contient ? & $\mathcal{O}(\log n)$ (binary search)\\
\end{tabular}\\
\vspace{0.5cm}
\end{frame}
\begin{frame}
\frametitle{TreeSet: Arbre autobalançant (ensemble)}
\centering
\begin{tabular}{ll}
Utilité & Ensemble, trié\\
Instanciation & \texttt{new TreeSet<Type>}\\
C'est quoi? & Derrière, c'est un red-black tree\\
& \color{red} Pas de doublons (c'est un ensemble)\\
& \color{red} Les éléments doivent être comparable
\end{tabular}\\
\centering
\begin{tabular}{lll}
\multicolumn{3}{c}{\textbf{Méthodes} sur un objet \texttt{o} de taille $n$} \\
\textit{Nom} & \textit{Java} & \textit{Complexité} \\
Ajouter & \texttt{o.add(x)} & $\mathcal{O}(\log n)$\\
Supprimer & \texttt{o.remove(x)} & $\mathcal{O}(\log n)$\\
Contient ? & \texttt{o.contains(x)} & $\mathcal{O}(\log n)$\\
Trouver l'élément en dessous (ou =) & \texttt{o.floor(x)} & $\mathcal{O}(\log n)$\\
Trouver l'élément au dessus (ou =) & \texttt{o.ceil(x)} & $\mathcal{O}(\log n)$\\
Trouver l'élément str. en dessous & \texttt{o.higher(x)} & $\mathcal{O}(\log n)$\\
Trouver l'élément str. au dessus & \texttt{o.lower(x)} & $\mathcal{O}(\log n)$\\
\end{tabular}\\
\vspace{0.5cm}
\color{blue} Autre méthode utile: \texttt{subset}, qui permet d'extraire une partie de l'arbre, à cout constant. \texttt{descendingIterator} est aussi fort pratique.
\end{frame}
\begin{frame}
\frametitle{HashSet: table de hachage (ensemble)}
\centering
\begin{tabular}{ll}
Utilité & Ensemble\\
Instanciation & \texttt{new HashSet<Type>}\\
C'est quoi? & Une table de hachage\\
& \color{red} Pas de doublons (c'est un ensemble)\\
& \color{red} Les éléments doivent être hashable (!!!)\\
& \color{red} Non trié
\end{tabular}\\
\vspace{0.5cm}
\centering
\begin{tabular}{lll}
\multicolumn{3}{c}{\textbf{Méthodes} sur un objet \texttt{o} de taille $n$} \\
\textit{Nom} & \textit{Java} & \textit{Complexité} \\
Ajouter & \texttt{o.add(x)} & $\mathcal{O}(1)$ \color{orange} amorti\\
Supprimer & \texttt{o.remove(x)} & $\mathcal{O}(1)$ \color{orange} amorti\\
Contient ? & \texttt{o.contains(x)} & $\mathcal{O}(1)$ \color{orange} amorti\\
\end{tabular}\\
\vspace{0.5cm}
\color{blue} Sous contrainte que les hash sont bien répartis !
\end{frame}
\begin{frame}
\frametitle{TreeMap: arbre autobalançant (dictionnaire)}
\centering
\begin{tabular}{ll}
Utilité & Dictionnaire\\
Instanciation & \texttt{new TreeMap<TypeCle,TypeValeur>}\\
C'est quoi? & Un red-black tree (ou équivalent)\\
& \color{red} Pas de doublons dans les clés (c'est un dictionnaire)\\
& \color{red} Les clés doivent être comparables
\end{tabular}\\
\vspace{0.5cm}
\centering
\begin{tabular}{lll}
\multicolumn{3}{c}{\textbf{Méthodes} sur un objet \texttt{o} de taille $n$} \\
\textit{Nom} & \textit{Java} & \textit{Complexité} \\
Ajouter (clé \texttt{x}, valeur \texttt{y})& \texttt{o.put(x, y)} & $\mathcal{O}(\log n)$\\
Get clé & \texttt{o.get(x)} & $\mathcal{O}(\log n)$\\
Supprimer clé & \texttt{o.remove(x)} & $\mathcal{O}(\log n)$\\
Contient clé ? & \texttt{o.containsKey(x)} & $\mathcal{O}(\log n)$\\
\end{tabular}\\
\vspace{0.5cm}
\color{blue} Les fonctions de TreeSet sont aussi disponible pour les clés (\texttt{ceilingKey}, \texttt{subMap}...).
\color{blue} Voir slide plus loin pour un tips pour itérer sur les Maps et notamment les TreeMaps.
\color{red} Même s'il existe des méthodes pour chercher des valeurs (\texttt{containsValue}, ...), elles sont en $\mathcal{O}(n)$ généralement.
\end{frame}
\begin{frame}
\frametitle{HashMap: table de hachage (dictionnaire)}
\centering
\begin{tabular}{ll}
Utilité & Ensemble\\
Instanciation & \texttt{new HashMap<TypeClé,TypeValeur>}\\
C'est quoi? & Une table de hachage\\
& \color{red} Pas de doublons de clé (c'est un dictionnaire)\\
& \color{red} Les clés doivent être hashable (!!!)\\
& \color{red} Non trié
\end{tabular}\\
\vspace{0.5cm}
\centering
\begin{tabular}{lll}
\multicolumn{3}{c}{\textbf{Méthodes} sur un objet \texttt{o} de taille $n$} \\
\textit{Nom} & \textit{Java} & \textit{Complexité} \\
Ajouter (clé \texttt{x}, valeur \texttt{y})& \texttt{o.put(x, y)} & $\mathcal{O}(1)$ \color{orange} amorti\\
Get clé & \texttt{o.get(x)} & $\mathcal{O}(1)$ \color{orange} amorti\\
Supprimer clé & \texttt{o.remove(x)} & $\mathcal{O}(1)$ \color{orange} amorti\\
Contient clé ? & \texttt{o.containsKey(x)} & $\mathcal{O}(1)$ \color{orange} amorti\\
\end{tabular}\\
\vspace{0.5cm}
\color{blue} Sous contrainte que les hash sont bien répartis !
\color{blue} Voir slide plus loin pour un tips pour itérer sur les Maps et notamment les TreeMaps.
\color{red} Même s'il existe des méthodes pour chercher des valeurs (\texttt{containsValue}, ...), elles sont en $\mathcal{O}(n)$ généralement.
\end{frame}
\begin{frame}
\frametitle{PriorityQueue: file de priorité}
\centering
\begin{tabular}{ll}
Utilité & Queue, mais avec des priorités.\\
Instanciation & \texttt{new PriorityQueue<Type>}\\
C'est quoi? & Un heap binaire basée sur un tableau\\
& \color{red} Les valeurs doivent être comparables
\end{tabular}\\
\vspace{0.5cm}
\centering
\begin{tabular}{lll}
\multicolumn{3}{c}{\textbf{Méthodes} sur un objet \texttt{o} de taille $n$} \\
\textit{Nom} & \textit{Java} & \textit{Complexité} \\
Ajouter & \texttt{o.add(x)} & $\Theta(\log n)$\\
Voir premier élément & \texttt{o.peek(x)} & $\Theta(1)$\\
Retirer premier élément & \texttt{o.poll(x)} & $\Theta(\log n)$
\end{tabular}\\
\vspace{0.5cm}
\color{red} Si vous utilisez n'importe quelle autre méthode (\texttt{remove}, \texttt{iterator}, ...), une PQ n'est pas la bonne structure. Généralement c'est du $\mathcal{O}(n)$.
\color{red} L'itérateur sur les PQ ne donne pas les éléments dans l'ordre.
\end{frame}
\begin{frame}
\frametitle{Union-find}
\centering
\begin{tabular}{ll}
Utilité & Ensemble disjoints. Fusion d'ensembles.\\
Instanciation & n'existe pas en java, à faire vous-même!\\
& \color{red} Implémenter le weighted quick union!
\end{tabular}\\
\vspace{0.5cm}
\centering
\begin{tabular}{lll}
\multicolumn{3}{c}{\textbf{Méthodes} sur un objet \texttt{o} de taille $n$} \\
\textit{Nom} & \textit{Java} & \textit{Complexité} \\
Find & \texttt{o.find(x)} & $\mathcal{O}(\log n)$\\
Union & \texttt{o.union(x, y)} & $\mathcal{O}(\log n)$
\end{tabular}\\
\vspace{0.5cm}
\color{blue} Avec la path compression, vous pouvez descendre jusque $\mathcal{O}(\alpha(n))$ amorti ($\alpha$ étant la fonction inverse d'Ackermann (cfr wikipédia ;-)). $\alpha(2^{32}) < 4$).
\end{frame}
\section{Quel TAD/implémentation choisir?}
\begin{frame}
\frametitle{Quel TAD/implémentation choisir?}
\color{red} Liste non-exhaustive et heuristique évidemment...
\begin{itemize}
\item Je veux juste stocker des éléments...
\begin{itemize}
\item Et faire de l'accès séquentiel $\rightarrow$ \texttt{LinkedList}
\item Et faire de l'accès aléatoire...
\begin{itemize}
\item Et ajouter des éléments au fur et à mesure $\rightarrow$ \texttt{ArrayList}
\item Et je connais la taille au départ $\rightarrow$ tableau \texttt{type[]}
\end{itemize}
\end{itemize}
\item Je veux maintenir un ensemble (sans doublon) $\rightarrow$ \texttt{HashSet} (hashable) ou \texttt{TreeSet} (comparable)
\item Je veux utiliser contains $\rightarrow$ \texttt{HashSet} (hashable) ou \texttt{TreeSet} (comparable)
\item Je veux maintenir un ensemble trié $\rightarrow$ \texttt{TreeSet}
\item Je veux faire un mapping clé vers valeur...
\begin{itemize}
\item trié $\rightarrow$ \texttt{TreeMap}
\item non-trié $\rightarrow$ \texttt{HashMap}
\end{itemize}
\item Je veux faire de l'ajout/suppression/get, seulement au début et à la fin $\rightarrow$ \texttt{LinkedList}, \texttt{Queue} ou \texttt{Stack} en fonction
\item J'ai des priorités à gérer, toujours le truc le plus prioritaire en premier $\rightarrow$ \texttt{PriorityQueue}
\item Je veux itérer sur le contenu $\rightarrow$ n'importe quoi sauf \texttt{Stack, Queue, PQ, UF, ...}
\item Je veux fusionner des ensembles $\rightarrow$ UF
\end{itemize}
\end{frame}
\section{Mais comment ça marche?}
\begin{frame}
\frametitle{Binary Search}
\begin{itemize}
\item Dans un tableau trié, disons qu'on cherche un élément $x$.
\item Prendre le milieu du tableau, $y$. Si $x=y$, on a gagné.
\item Si $x < y$, alors $x$ est forcément à gauche; sinon, il est à droite.
\item Appeler récursivement sur la moitié gauche ou droite du tableau en fonction.
\end{itemize}
$\mathcal{O}(\log n)$
\end{frame}
\begin{frame}
\frametitle{Propriétés des tris}
\begin{itemize}
\item En-place: un tri en place utilise une quantité constante de mémoire supplémentaire (complexité en mémoire \textbf{supplémentaire} $\mathcal{O}(1)$).
\item Stable: Deux valeurs égales du point de vue du tri restent dans le même ordre après le tri.
\end{itemize}
\end{frame}
\begin{frame}
\frametitle{Selection sort}
Dans un array non-trié:
\begin{itemize}
\item Trouver l'élément le plus petit pas encore trié
\item Le mettre au bon endroit
\item Répeter
\end{itemize}
$\mathcal{O}(n^2)$
\end{frame}
\begin{frame}
\frametitle{Insertion sort}
Créer un array. Pour chaque élément de l'array non trié:
\begin{itemize}
\item Trouver l'endroit où le mettre
\item L'y mettre
\item Eventuellement décaler tout ce qui se trouve à droite...
\end{itemize}
$\mathcal{O}(n^2)$
\end{frame}
\begin{frame}
\frametitle{Merge sort}
\begin{itemize}
\item Faire des petits paquets de 2
\item Trier les paquets de deux
\item Fusionner les paquets deux par deux, avec la technique du "double pointeur" (qui est en $\mathcal{O}(n)$ pour rappel)
\item Et ce jusqu'à ce que tout soit fusionné
\end{itemize}
$\mathcal{O}(n\log n)$
\end{frame}
\begin{frame}
\frametitle{Quick sort}
\begin{itemize}
\item Choisir un pivot
\item Mettre les éléments plus petit que le pivot à gauche du pivot, les autres à droite
\item Appeler récursivement à gauche du pivot et à droite du pivot
\end{itemize}
$\mathcal{O}(n\log n)$ moyen, $\mathcal{O}(n^2)$ en général
\end{frame}
\begin{frame}
\frametitle{Quick select}
\begin{itemize}
\item Trouve le $k$ième plus grand élément dans un tableau non trié
\item Choisir un pivot
\item Mettre les éléments plus petits que le pivot à gauche du pivot, les autres à droite
\item Si le pivot se retrouve à la position $k$, stop (c'est l'élément recherché).
\item Si pas, si $k$ < position du pivot, appeler récursivement uniquement à gauche, et à droite sinon.
\end{itemize}
$\mathcal{O}(n)$ moyen, $\mathcal{O}(n^2)$ en général
\end{frame}
\begin{frame}
\frametitle{Heap sort}
\begin{itemize}
\item Transformer l'array en heap (heapify en $\mathcal{O}(n)$) ou mettre tout dans un heap un à un ($\mathcal{O}(n\log n)$)
\item Depop les éléments du heap un à un. Ils sont donc triés. $\mathcal{O}(n\log n)$
\end{itemize}
$\mathcal{O}(n\log n)$
\end{frame}
\begin{frame}
\frametitle{Heap binaires}
\begin{itemize}
\item Arbre binaire complet (sauf éventuellement la dernière couche, qui est complète "a gauche")
\item Propriété: les enfants d'un noeud sont plus grands que lui (pour un min-heap)
\item Implémentation via un tableau. Les enfants du noeud $i$ sont en position $2i$ et $2i+1$. Attention, par simplicité on commence la numérotation à 1.
\item Ajout: mettre dans la première position libre en bas à gauche. Faire remonter (échanger avec le parent) jusqu'à ce que la propriété soit respectée.
\item Suppression: l'élément le plus petit est la racine. Remplacer la racine par l'élément le plus en bas à droite. Faire descendre (échanger avec l'enfant le plus petit) jusqu'à ce que la propriété soit respectée.
\end{itemize}
$\mathcal{O}(\log n)$ pour tout, $\mathcal{O}(1)$ pour voir l'élément le plus petit
\end{frame}
\begin{frame}
\frametitle{Min-max heap}
\begin{itemize}
\item Variante du heap binaire, qui maintient à la fois le minimum et le maximum et permet de les retirer en $\mathcal{O}(\log n)$
\item Propriété: sur les couches "paires" (niveau 0 (racine), 2, 4, ...) la propriété du min-heap est d'application (tous les noeuds en dessous sont plus grands). Pour les couches impaires, c'est la propriété de max-heap.
\item Forcément, le minimum est la racine, et le maximum est le maximum des deux premiers enfants.
\item Il faut adapter les règles pour swim/sink les valeurs (une feuille de papier et un petit dessin devraient être suffisants pour retrouver la règle, un peu trop longue à mettre dans ce slide).
\end{itemize}
$\mathcal{O}(\log n)$ pour tout, $\mathcal{O}(1)$ pour voir l'élément le plus petit/grand.
\end{frame}
\begin{frame}
\frametitle{Arbres de recherche}
\begin{itemize}
\item Ici: binaire. Facile à adapter dans les autres cas...
\item Propriété: \textbf{tous} les noeuds à gauche (enfants, petits-enfants...) sont plus petits que la valeur du noeud courant. Et plus grands à droite.
\item Difficiles à équilibrer, donc généralement (si on ne précise pas qu'ils sont équilibrés) toutes les opérations sont en $\mathcal{O}(n)$.
\item Pour info il existe des implémentations binaires équilibrées, comme les arbres AVL.
\item Mais dans ce cours on a vu les arbres 2-3 et red-black (left leaning).
\item Ajout: descendre récursivement en voyant de quel côté est ce qu'on cherche.
\end{itemize}
\end{frame}
\begin{frame}
\frametitle{Arbre 2-3}
\begin{itemize}
\item Arbre contenant soit des noeuds 2 (2 enfants), soit des noeuds 3 (3 enfants).
\item Les noeuds 2 fonctionnent comme les arbres de recherche. Les noeuds 3 ont deux valeurs. À gauche plus petit que la première, au milieu entre la première et la deuxième valeur, à droite plus grand que la deuxième valeur
\item Les arbres 2-3 sont toujours complets et donc équilibrés.
\item Les règles d'ajout sont complexes à énumérer, MAIS intuitives. On descend là où la valeur devrait être placée, on l'ajoute au noeud. Si le noeud devient un noeud 4 (trois valeurs) on doit le diviser en faisant remonter une valeur au noeud supérieur.
\end{itemize}
Tout est en $\mathcal{O}(\log n)$ du coup.
\end{frame}
\begin{frame}
\frametitle{Red-black tree}
\begin{itemize}
\item Arbre binaire de recherche, avec un twist: certains liens pointant à gauche peuvent être rouges.
\item Il y a mapping one to one avec les arbres 2-3 $\rightarrow$ un noeud 2 est encodé normalement, un noeud 3 est encodé par deux noeuds, reliés par un lien rouge.
\item Attention; les RB-Tree d'internet sont différents (moins bien) que ceux vus ici. Ils peuvent avoir des liens rouges vers la droite.
\end{itemize}
\end{frame}
\begin{frame}
\frametitle{Hash tables}
\begin{itemize}
\item Principe: hasher l'objet, et le mettre dans un tableau à l'endroit ou pointe son hash.
\item Attention à la qualité du hash, aux collisions et à la taille de la table
\end{itemize}
Si tout va bien, tout se fait en $\mathcal{O}(1)$ amorti.
\end{frame}
\begin{frame}
\frametitle{Hash tables - Separate chaining}
\begin{itemize}
\item Chaque entrée de la table est en fait une liste chainée
\item Quand collision, ajout à la liste chainée
\end{itemize}
\end{frame}
\begin{frame}
\frametitle{Hash tables - Linear probing}
\begin{itemize}
\item Quand collision, aller voir à la case "après"
\item Attention à la suppression...
\end{itemize}
\end{frame}
\begin{frame}
\frametitle{Rabin-Karp}
\begin{itemize}
\item Sert à trouver un/des mots-clés (de même taille) dans une longue string (ou suite de nombres...)
\item Principe: hash roulant
\item On calcule en premier le hash de tous les mots-clés à trouver
\item On met ces hash dans un dictionnaire (hash -> mot-clé)
\item On calcule ensuite le hash roulant au fur et à mesure dans le string original, et on regarde dans le dictionnaire si le hash est présent ou pas.
\item Attention aux collisions! Vérifier le string original.
\item Si le dictionnaire est un \texttt{HashMap}, on est en $\mathcal{O}(n)$ si pas trop de collisions. Techniquement $\mathcal{O}(nm)$ ($m$=taille du plus grand mot clé).
\end{itemize}
Hash pour les $k$ premiers caractères après la position $i$ dans le tableau $x$ et une constante $R$ ($R=31$ est un bon choix):
$$h_i = x_i R^{k-1} + x_{i+1} R^{k-2} + \ldots + x_{i+k-2} R + x_{i+k-1} = \sum_{j=0}{k-1} x_{i+j} R^{k-1-j}$$
Pour calculer le hash d'après:
$$h_{i+1} = (h_i - x_i R^{k-1})\cdot R + x_{i+k}$$
\end{frame}
\begin{frame}
\frametitle{Union-find}
\begin{itemize}
\item Représente un ensemble d'ensembles
\item Chaque ensemble est représenté par un de ses membres, appelé le représentant
\item L'opération find permet de trouver le réprésentant d'un élément (autrement dit, le représentant de l'ensemble auquel il appartient)
\item L'opération union merge deux ensembles, étant donné deux éléments appartenant à deux ensembles différents.
\item Au départ, chaque élément est dans un ensemble tout seul.
\end{itemize}
\end{frame}
\begin{frame}
\frametitle{Union-find (implémentation)}
\begin{itemize}
\item Ici: weighted quick-union
\item Un tableau \texttt{t}, avec un élément par... élément
\item Les ensembles forment un arbre. Ce tableau indique, si \texttt{t[i]=j} que le noeud \texttt{i} pointe vers \texttt{j} (et qu'ils sont donc tous les deux dans le même arbre/ensemble).
\item La racine de l'arbre est le représentant
\item Un second tableau stocke la taille de chaque ensemble
\item On unionne toujours le plus petit ensemble sur le plus grand, pour réduire la taille de l'arbre.
\item Path compression: après chaque find, on fait pointer le noeud vers son représentant, pour compresser l'arbre. Ca diminue fortement la complexité!
\end{itemize}
Tout est en $\mathcal{O}(\log n)$ sans path compression. Bonus (pas dans la matière): $\mathcal{O}(\alpha(n))$ avec path compression.
\end{frame}
\begin{frame}
\frametitle{Petit rappel sur les graphes}
\begin{itemize}
\item Graphe: ensemble de noeuds et d'arêtes reliant ces noeuds. ($G=<V,E>$)
\item Graphe \textit{pondéré}: les arêtes ont un poids associé. Mathématiquement, usuellement, on définit ça via une fonction $f: E \rightarrow \mathbb{R}$ qui donne un poids quand on lui donne une arête.
\item Graphe \textit{simple}: il y a, entre toute paire de noeuds, au plus une arête. Cela implique que $E \leq \frac{V\cdot(V-1)}{2} \in \mathcal{O}(V^2)$ et donc que $\mathcal{O}(\log E) \subseteq \mathcal{O}(\log V^2) = \mathcal{O}(2 \log V) = \mathcal{O}(\log V)$.
\item Graphe \textit{orienté}: les arêtes ont une direction. Généralement, on appelle alors ces arêtes des \textit{arcs}.
\item Degré d'un noeud: nombre d'arêtes touchant un noeud.
\item Degré entrant (resp. sortant): nombre d'arcs dont le noeud est la destination (resp origine.).
\item Somme des degrés des noeuds = $2E$
\item Graphe \textit{acyclique}: sans cycle (orienté ou pas, en fonction).
\end{itemize}
\end{frame}
\begin{frame}
\frametitle{BFS}
\begin{itemize}
\item Objectif: visiter tout le graphe en partant d'un/plusieurs noeuds. D'abord visiter tous les noeuds à distance 1, puis distance 2, etc. Les distances sont sur le graphe \textbf{non-pondéré} (on compte juste le nombre d'arêtes).
\item On utilise une Queue avec au départ tous les noeuds de départ
\item Boucle tant que la queue n'est pas vide:
\begin{itemize}
\item Pop queue
\item Ajouter tous les voisins du noeud pop si pas encore dans la Queue (faire tableau de booléen sur le côté pour savoir)
\item Eventuellement maintenant un tableau de distance en même temps
\end{itemize}
\end{itemize}
$\mathcal{O}(V+E)$
\end{frame}
\begin{frame}
\frametitle{DFS (while loop)}
\begin{itemize}
\item Objectif: visiter tout le graphe en partant d'un/plusieurs noeuds. Ordre: plus profond d'abord
\item On utilise une Stack avec au départ tous les noeuds de départ
\item Boucle tant que la stack n'est pas vide:
\begin{itemize}
\item Pop stack
\item Ajouter tous les voisins du noeud pop si pas encore dans la Queue (faire tableau de booléen sur le côté pour savoir)
\end{itemize}
\item Même algo que BFS à une ligne près (instantiation du Stack). Pas d'excuses!
\end{itemize}
$\mathcal{O}(V+E)$
\end{frame}
\begin{frame}[fragile]
\frametitle{DFS - Récursif}
L'implémentation récursive est très simple à coder et permet de maintenir l'état de chaque noeud:
\begin{itemize}
\item Non visité (pas encore "vu")
\item Ouvert (le noeud a été vu et on est en train de visiter ses enfants/petits-enfants...)
\item Fermé (le noeud a été vu et on a fini de visiter ses enfants/petits-enfants/...)
\end{itemize}
\begin{lstlisting}
// neis is an adjacency list (LinkedList[])
// state is an array containing the state of each node, initially set to NOTSEEN
void dfs(int nodeIdx) {
state[nodeIdx] = OPEN;
// generalement, vous devez inserer le code pour resoudre le probleme ici
for(int nei: neis[nodeIdx]) {
if(state[nei] == NOTSEEN)
dfs(nei);
}
state[nodeIdx] = CLOSED;
}
\end{lstlisting}
\end{frame}
\begin{frame}[fragile]
\frametitle{Trouver un cycle}
En utilisant le DFS récursif; si on visite un noeud déjà OPEN, c'est que nous sommes en train de visiter ses enfants/petits-enfants/... sauf qu'on le retrouve de nouveau, et donc nous sommes dans un cycle.
Attention, ce n'est pas vrai avec CLOSED; dans un graphe dirigé, cela peut arriver (faites un dessin!).
\begin{lstlisting}
bool hasCycle(int nodeIdx) {
state[nodeIdx] = OPEN;
for(int nei: neis[nodeIdx]) {
if(state[nei] == UNSEEN)
if(hasCycle(nei))
return true;
if(state[nei] == OPEN)
return true;
}
state[nodeIdx] = CLOSED;
return false;
}
\end{lstlisting}
\end{frame}
\begin{frame}
\frametitle{Savoir si un graphe est biparti}
\begin{itemize}
\item Graphe biparti: le graphe peut être séparé en deux ensembles de noeuds, tel qu'il n'y a pas d'arête à l'intérieur d'un ensemble.
\item Colorer le graphe alternativement avec deux couleurs et un DFS. Si un noeud se retrouver à être déjà coloré de la mauvaise couleur, il n'est pas biparti.
\end{itemize}
$\mathcal{O}(V+E)$
\end{frame}
\begin{frame}
\frametitle{Toposort}
\begin{itemize}
\item Etant donné un graphe dirigé acyclique, trouver un ordre des noeuds tel que toutes les edges vont "vers la droite" (pointent vers des noeuds situés après dans l'ordre).
\item Algorithme: tant qu'il y a des noeuds sans arêtes entrantes, les ajouter à l'ordre. Retirer les arêtes sortantes de ces noeuds du graphe. Répeter.
\item Ca permet de trouver les cycles aussi. Mais un DFS sait aussi le faire ça ;-)
\end{itemize}
$\mathcal{O}(V+E)$
\end{frame}
\begin{frame}
\frametitle{Arbre sous-tendant de poids minimal}
\begin{itemize}
\item Arbre: graphe connexe acyclique. $n$ noeuds $\Rightarrow$ $n-1$ arêtes
\item sous-tendant: par rapport à un autre graphe, l'arbre en utilise tous les noeuds et un subset des arêtes.
\item de poids minimal: il n'existe pas d'arbre sous-tendant avec un poids (somme des poids des arêtes) plus petit
\end{itemize}
\end{frame}
\begin{frame}
\frametitle{Prim}
\begin{itemize}
\item Calcul d'un arbre sous-tendant
\item On prend un noeud au hasard
\item On ajoute toutes ses arêtes dans une PQ
\item On retire l'arête la plus petite
\item Si elle pointe vers un noeud pas encore dans l'arbre, on l'y ajoute (et le noeud aussi), et on ajoute les arêtes dudit noeud à la PQ
\item Repeat
\end{itemize}
$\mathcal{O}(E \log V)$
\end{frame}
\begin{frame}
\frametitle{Kruskal}
\begin{itemize}
\item Calcul d'un arbre sous-tendant
\item Partir d'un graphe sans les arêtes, mais avec tous les noeuds
\item Trier toutes les arêtes par poids
\item Pour chaque arête:
\item Si mettre l'arête ne crée pas de cycle (à vérifier avec un UF), l'ajouter au graphe
\item S'arrêter après $n-1$ arêtes ajoutées.
\end{itemize}
$\mathcal{O}(E \log V)$
\end{frame}
\begin{frame}
\frametitle{Dijkstra}
\begin{itemize}
\item Calcul de tous les chemins les plus courts (au sens "somme des poids des arêtes du chemin") partant d'un noeud donné, dans un graphe \textbf{pondéré}.
\item Maintien d'un tableau de distance vers tous les noeuds, initialement à l'infini
\item La distance vers le noeud de départ est 0
\item Une PQ maintien les noeuds vus, mais pas encore visités
\item Mettre le noeud original et sa distance actuelle dans la PQ
\item Tant que la PQ n'est pas vide:
\begin{itemize}
\item Pop un noeud (et le poids associé)
\item Si le poids associé n'est pas bon, ignore. Sinon...
\item Regarder tous les voisins du noeud. Si la nouvelle distance est plus courte, mettre à jour le tableau distance et ajouter noeud+distance à la PQ.
\end{itemize}
\item Dès qu'un noeud est pop par la PQ, la distance min est connue.
\item Attention, pas de support des poids négatifs du coup...
\end{itemize}
$\mathcal{O}((V+E)\log V)$
\end{frame}
\begin{frame}[fragile]
\frametitle{Bellman-ford}
\begin{itemize}
\item Calcul de tous les chemins les plus courts partant d'un noeud donné.
\item L'idée est de calculer tout d'abord tous les chemins de taille 1 (d'une seule arête), puis tous les chemins de taille 2, ...
\item Support pour les poids négatif, mais pas les cycle négatifs!
\end{itemize}
\begin{lstlisting}
fonction Bellman_Ford(G, s)
pour chaque sommet u du graphe
d[u] = +inf
d[s] = 0
pour k = 1 jusqu'a n-1 faire
pour chaque arc (u, t) du graphe faire
d[t] := min(d[t], d[u] + poids(u, t))
retourner d
\end{lstlisting}
$\mathcal{O}(V^3)$
\end{frame}
\begin{frame}[fragile]
\frametitle{Floyd-Warshall}
\begin{itemize}
\item Calcul de toutes les distances des plus courts chemins entre toutes les paires de noeuds, dans un graphe \textbf{pondéré} dirigé de $V$ noeuds
\item Preuve par induction sur $k$: $d[i][j]$ est la distance du plus court chemin n'empruntant que des détours dans $\{1..k-1\}$.
\end{itemize}
\begin{lstlisting}
fonction Floyd_Warshall(G)
d[i][j] = (i,j) in E ? poids(i,j), (+inf) sinon
pour k = 1 jusqu'a V-1 faire
pour i = 1 jusqu'a V-1 faire
pour j = 1 jusqu'a V-1 faire
d[i][j] = min(d[i][j],d[i][k]+d[i][i])
retourner d
\end{lstlisting}
$\mathcal{O}(V^3)$
\end{frame}
\begin{frame}[fragile]
\frametitle{Chemin le plus long}
\begin{itemize}
\item Il est conjecturé qu'il n'existe pas d'algorithme en temps polynomial pour trouver le chemin le plus long dans un graphe quelconque. (plus d'informations dans le cours de Calculabilité (Q6) et d'Algorithmique Avandée pour l'Optimisation (master)).
\item Si le graphe est un DAG (graphe dirigé acyclique) alors il existe un algorithme polynomial: prendre l'opposé des poids des arêtes, et utiliser Bellman-ford.
\item Cela marche car il y a aura des poids négatifs, mais pas de cycles négatifs vu que le graphe est acyclique.
\end{itemize}
\end{frame}
\begin{frame}
\frametitle{Retenir les chemins dans les algorithmes de recherche de chemin}
\begin{itemize}
\item Quand on fait un BFS/DFS/Dijkstra/Bellman-Ford, on a parfois (/souvent) besoin de retenir le chemin en plus de la distance
\item La technique est simple: on va maintenir un tableau disant "d'où on vient" et construire le chemin à l'envers.
\item Créer un tableau supplémentaire. Taille $V$, init à null.
\item Quand vous "trouvez un meilleur chemin" (autrement dit:
\begin{itemize}
\item DFS: quand vous ajoutez à la Stack/faites l'appel récursif
\item BFS: quand vous ajoutez à la Queue
\item Dijkstra/Bellman-ford: quand vous mettez à jour l'array distance
\end{itemize}
)
vous mettez à jour l'entrée du noeud de destination pour la faire pointer vers le noeud courant.
\item Vous pouvez ensuite reconstruire le chemin avec une simple boucle while et une \texttt{LinkedList} par exemple.
\end{itemize}
\end{frame}
\section{Tips \& tricks}
\begin{frame}[fragile]
\frametitle{Itérer sur des collections}
{\color{red} Je ne veux JAMAIS voir ceci:}
\begin{lstlisting}
List<String> x = ...;
for(int i = 0; i < x.size(); i++) {
String elem = x.get(i);
//...
}
\end{lstlisting}
{\color{red} C'est du $\mathcal{O}(n^2)$!}
{\color{blue} Utilisez svp les foreach:}
\begin{lstlisting}
for(String elem: x) {
//...
}
\end{lstlisting}
{\color{blue} Ou un itérateur:}
\begin{lstlisting}
Iterator<String> itr = x.iterator();
while(itr.hasNext()) {
String elem = ite.next();
//...
}
\end{lstlisting}
\end{frame}
\begin{frame}[fragile]
\frametitle{Itérer sur des collections (2)}
Pour les dictionnaires (\texttt{HashMap}, \texttt{TreeMap}), trois possibilités raisonnables:
\begin{lstlisting}
HashMap<X, Y> hasmap = ...;
for(Map.Entry<X, Y> pair: hashmap.entrySet()) {
X cle = pair.getKey();
Y valeur = pair.getValue();
// ...
}
\end{lstlisting}
\begin{lstlisting}
for(X key: hashmap.keySet()) {
Y valeur = hashmap.get(key);
// ...
}
\end{lstlisting}
Ou avec un itérator (sur \texttt{hashmap.entrySet().iterator()} ou \texttt{hashmap.keySet().iterator()}).
Si vous utilisez un TreeMap, c'est donné de manière triée! Attention que c'est toujours du $\mathcal{O}(n)$ sauf dans le second cas avec la TreeMap, où là c'est $\mathcal{O}(n \log n)$.
\end{frame}
\end{document}